Google在近期的博客帖子中，宣布它们的Cloud Speech API正式发布。Cloud Speech API允许开发人员添加预先训练好的机器学习模型，用于视频、图像和文本分析中的识别任务，并可实现动态翻译。Cloud Speech API曾于去年夏天以测试版发布。

Cloud Speech API使用了基于神经网络的语音识别技术，该技术源自于Google自身的语音产品Google Assistant和Google Home。Cloud Speech API服务当前支持超过80种语言及其变种。它采用两种语音输入模式：

实时数据流模式，在用户说话的同时，就以提示的方式给出说话的文本内容。 批处理模式，实现将录制的语音转录为文本的功能。

通过对背景噪声的过滤，该服务在有噪音的环境中也能正常工作。此外，通过在词典中新添单词或短语，该服务也可以从单词和短语提示中进行学习。

Google在正式发布中添加了一些新特性，并从如下方面改进了性能：

提高了长语音转写为文本的准确性； 更快的处理速度，在批处理场景中比前期版本要快三倍； 扩展了支持的文件格式，现在支持WAV、Opus和Speex。

在近期的Google Cloud Next 2017大会上，Google的产品经理Dan Aharon做了一个演讲，其中介绍了Cloud Speech API的一些用例，包括使用移动设备的人机交互，以及Web和IoT应用。该服务也已用于生成客户服务业务中的语音分析。

　　图片来源： https://www.youtube.com/watch?v=7w_w01EGC7U的截图。

Aharon还探讨了推动语音应用发展背后的原因，以及为什么说语音应用现在达到了一个拐点：

语音更快速（可达每分钟150个单词，输入只能达到每分钟20到40个单词）； 易于应用（无需操作各层的用户界面）； 更便捷（操作无需占用双手）； 现在超过20%的Android应用搜索是使用语音完成的； Google Home、Google Pixel和Amazon Echo等“随时倾听”（Always Listening）设备正成为主流应用。

Google还演示了一些用户场景，以此展现了Cloud Speech API的功能。给出的第一个例子是一个名为“Azar”的移动设备上的聊天应用。用户可以使用Azar与他人开展实时视频聊天。Azar不仅提供视频流和音频流，用户还可以选取语言进行语音转录。迄今为止，Azar已实现了超过150亿次的配对聊天，具备了大规模提供服务的能力。

　　图片来源： https://www.youtube.com/watch?v=7w_w01EGC7U的截图。

Google演示的另一个用例关注的是客户服务。现在很多企业在通过电话提供客户服务时，首先会给出一个提示，告知用户为实现满意的客户服务，之后进行的对话将会被录音。但是企业是如何处理这些录音数据的？InteractiveTel的CTO Gary Graves指出，通常只有在与客户发生争执时才会复审这些录音。但是在Graves看来，这种做法会令汽车经销商等企业失去不少商机：

不仅可使我们的汽车经销商客户完成更多销售量，而且会转变工作心态，因为经销商中的每个员工都要负起责任。经销商需要部署对记录或监控的解决方案，并且让员工知道已部署了这样的方案。但是目前对信息的使用是响应式的，即只有在存在问题时才会借助于这些信息。如果使用了Cloud Speech服务，就可以从这些对话信息中挖掘出可用的情报，经销商可以授权销售人员提供更主动的服务，提升客户服务的层级。

InteractiveTel的产品为汽车经销商提供了对通话进行转录和情感分析的解决方案，可以将实时进行的电话通话提交使用了Google Speech API的InteractiveTel平台。由此，可为汽车经销商的销售团队创建切实可行的问题洞察，并根据每次通话确定客户的情感。